物体检测模型训练方法、物体检测方法、装置和设备制造方法及图纸

本申请涉及一种物体检测模型训练方法、物体检测方法、装置和计算机设备。物体检测模型训练方法包括：根据图像样本的样本标签计算图像样本的静态权值，以及获取图像样本初始化的动态权值，以根据静态权值和动态权值计算图像样本的选择权值；将图像样本集合中选择权值满足预设条件的图像样本作为当前图像样本，并将当前图像样本输入初始模型，得到初始模型输出的检测结果；根据检测结果对当前图像样本对应的动态权值进行更新，以及根据检测结果对初始模型的模型参数进行迭代更新，得到训练后的物体检测模型，提高了物体检测模型的训练效率以及学习效果。及学习效果。及学习效果。

【技术实现步骤摘要】
物体检测模型训练方法、物体检测方法、装置和设备


[0001]本申请涉及信息处理
，特别是涉及一种物体检测模型训练方法、物体检测方法、装置和计算机设备。

技术介绍

[0002]随着机器学习模型的发展，借助计算机视觉技术在各个场景落地，例如无人驾驶、智慧零售和视觉内容理解等，都依赖机器学习模型来完成特定任务。
[0003]物体检测是计算机视觉技术中的经典问题之一，目前在进行物体检测时，通常是由物体检测模型来对图像进行特征提取，基于提取到的图像特征预测图像中所包含物体的信息。因此，物体检测相关任务的基础是物体检测模型。一般来说，一个优秀的物体检测模型，不仅仅依赖于优秀的基础网络架构，能够稳定提升物体检测模型性能的训练方法同样也是目前的研究热点之一。
[0004]因此，如何对物体检测模型训练过程进行优化是目前亟待解决的问题。

技术实现思路

[0005]基于此，提供一种物体检测模型训练方法、物体检测方法、装置和计算机设备，以优化物体检测模型训练过程，提高物体检测模型训练效率。
[0006]一方面，提供一种物体检测模型训练方法，包括：获取图像样本集合，图像样本集合中包括标注有样本标签的图像样本；根据图像样本的样本标签计算图像样本的静态权值，以及获取图像样本初始化的动态权值，以根据静态权值和动态权值计算图像样本的选择权值；将图像样本集合中选择权值满足预设条件的图像样本作为当前图像样本，并将当前图像样本输入初始模型，得到初始模型输出的检测结果；根据检测结果对当前图像样本对应的动态权值进行更新，以及根据检测结果对初始模型的模型参数进行迭代更新，得到训练后的物体检测模型。
[0007]在其中一个实施例中，根据检测结果对当前图像样本对应的动态权值进行更新，包括：计算当前图像样本的样本标签与检测结果之间的差距；根据差距对当前图像样本对应的动态权值进行更新。
[0008]在其中一个实施例中，样本标签和检测结果用于指示图像样本中属于指定类别的区域；计算当前图像样本的样本标签与检测结果之间的差距，包括：获取当前图像样本的样本标签对应的标签区域，以及获取检测结果中与当前图像样本的样本标签属于同一类别的检测区域；计算标签区域与检测区域之间的区域重叠度；根据区域重叠度得到当前图像样本的样本标签与检测结果之间的差距。
[0009]在其中一个实施例中，区域重叠度包括标签区域重叠度和检测区域重叠度；计算标签区域与检测区域之间的区域重叠度，包括：根据每个标签区域中检测区域的区域占比，得到每个标签区域的标签区域重叠度；以及根据每个检测区域中标签区域的区域占比，得到每个检测区域的检测区域重叠度；根据区域重叠度得到当前图像样本的样本标签与检测
结果之间的差距，包括：根据标签区域重叠度对标签区域进行第一分类处理，得到第一分类结果；以及根据检测区域重叠度对检测区域进行第二分类处理，得到第二分类结果；根据第一分类结果和第二分类结果中各个类别包括的区域数量，得到当前图像样本的样本标签与检测结果之间的差距。
[0010]在其中一个实施例中，第一分类结果包括普通漏检类别FN和严重漏检类别IFN，第二分类结果包括普通误检类别FP和严重误检类别IFP；根据差距对当前图像样本对应的动态权值进行更新满足的数学表达为：
[0011]W
d
＝E
FP
*N
FP
+E
IFP
*N
IFP
+E
FN
*N
FN
+E
IFN
*N
IFN
[0012]其中，W
d
表示当前图像样本更新后的动态权值，N
FP
表示属于普通误检类别FP的区域数量，N
IFP
表示属于严重误检类别IFP的区域数量，E
FP
表示属于普通误检类别FP的权值系数，E
IFP
表示属于严重误检类别IFP的权值系数，N
FN
表示属于普通漏检类别FN的区域数量，N
IFN
表示属于严重漏检类别IFN的区域数量，E
FN
表示属于普通漏检类别FN的权值系数，E
IFN
表示属于严重漏检类别IFN的权值系数。
[0013]在其中一个实施例中，根据图像样本的样本标签计算图像样本的静态权值，包括：获取图像样本包含的样本标签的类别信息；统计各个类别的样本标签针对图像样本集合的频率；根据图像样本中各个样本标签对应的频率计算图像样本的静态权值。
[0014]在其中一个实施例中，根据图像样本中各个样本标签对应的频率计算图像样本的静态权值，包括：获取图像样本的优先级信息；根据优先级信息得到图像样本的优先级权值，以及根据各个样本标签对应的频率得到图像样本的频率权值；根据优先级权值和频率权值计算图像样本的静态权值。
[0015]在其中一个实施例中，根据各个样本标签对应的频率得到图像样本的频率权值满足的数学表达为：
[0016]W
c
＝Max(0,1/P
CL1
‑
H)+Max(0,1/P
CL2
‑
H)+
…
+Max(0,1/P
CLN
‑
H)
[0017]其中，W
c
表示图像样本的频率权值，图像样本中有N个样本标签，P
CL1
表示图像样本中第1个样本标签对应的频率，P
CL2
表示图像样本中第2个样本标签对应的频率，P
CLN
表示图像样本中第N个样本标签对应的频率，H表示类别频率阈值。
[0018]在其中一个实施例中，根据静态权值和动态权值计算图像样本的选择权值满足的数学表达为：
[0019]W＝1+E
d
*W
d
+E
c
*W
c
+E
h
*W
h
[0020]其中，W表示图像样本的选择权值，W
d
表示图像样本的动态权值，E
d
表示动态权值的权值系数，W
c
表示图像样本的频率权值，E
c
表示频率权值的权值系数，W
h
表示图像样本的优先级权值，E
h
表示优先级权值的权值系数。
[0021]另一方面，提供一种物体检测方法，包括：采集待检测图像；将待检测图像输入至物体检测模型；其中，物体检测模型根据上述物体检测模型训练方法训练得到；获取物体检测模型输出的检测结果。
[0022]另一方面，提供一种物体检测模型训练装置，包括：样本获取模块，配置为获取图像样本集合，图像样本集合中包括标注有样本标签的图像样本；权值计算模块，配置为根据图像样本的样本标签计算图像样本的静态权值，以及获取图像样本初始化的动态权值，以根据静态权值和动态权值计算图像样本的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物体检测模型训练方法，其特征在于，包括：获取图像样本集合，所述图像样本集合中包括标注有样本标签的图像样本；根据所述图像样本的样本标签计算所述图像样本的静态权值，以及获取所述图像样本初始化的动态权值，以根据所述静态权值和所述动态权值计算所述图像样本的选择权值；将所述图像样本集合中选择权值满足预设条件的图像样本作为当前图像样本，并将所述当前图像样本输入初始模型，得到所述初始模型输出的检测结果；根据所述检测结果对所述当前图像样本对应的动态权值进行更新，以及根据所述检测结果对初始模型的模型参数进行迭代更新，得到训练后的物体检测模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述检测结果对所述当前图像样本对应的动态权值进行更新，包括：计算所述当前图像样本的样本标签与所述检测结果之间的差距；根据所述差距对所述当前图像样本对应的动态权值进行更新。3.根据权利要求2所述的方法，其特征在于，所述样本标签和所述检测结果用于指示所述图像样本中属于指定类别的区域；所述计算所述当前图像样本的样本标签与所述检测结果之间的差距，包括：获取所述当前图像样本的样本标签对应的标签区域，以及获取所述检测结果中与所述当前图像样本的样本标签属于同一类别的检测区域；计算所述标签区域与所述检测区域之间的区域重叠度；根据所述区域重叠度得到所述当前图像样本的样本标签与所述检测结果之间的差距。4.根据权利要求3所述的方法，其特征在于，所述区域重叠度包括标签区域重叠度和检测区域重叠度；所述计算所述标签区域与所述检测区域之间的区域重叠度，包括：根据每个所述标签区域中检测区域的区域占比，得到每个所述标签区域的标签区域重叠度；以及根据每个所述检测区域中标签区域的区域占比，得到每个所述检测区域的检测区域重叠度；所述根据所述区域重叠度得到所述当前图像样本的样本标签与所述检测结果之间的差距，包括：根据所述标签区域重叠度对所述标签区域进行第一分类处理，得到第一分类结果；以及根据所述检测区域重叠度对所述检测区域进行第二分类处理，得到第二分类结果；根据所述第一分类结果和所述第二分类结果中各个类别包括的区域数量，得到所述当前图像样本的样本标签与所述检测结果之间的差距。5.根据权利要求4所述的方法，其特征在于，所述第一分类结果包括普通漏检类别FN和严重漏检类别IFN，所述第二分类结果包括普通误检类别FP和严重误检类别IFP；所述根据所述差距对所述当前图像样本对应的动态权值进行更新满足的数学表达为：W
d
＝E
FP
*N
FP
+E
IFP
*N
IFP
+E
FN
*N
FN
+E
IFN
*N
IFN
其中，W
d
表示所述当前图像样本更新后的动态权值，N
FP
表示属于普通误检类别FP的区域数量，N
IFP
表示属于严重误检类别IFP的区域数量，E
FP
表示属于普通误检类别FP的权值系数，E
IFP
表示属于严重误检类别IFP的权值系数，N
FN
表示属于普通漏检类别FN的区域数量，N
IFN
表示属于严重漏检类别IFN的区域数量，E
FN
表示属于普通漏检类别FN的权值系数，E
IFN
表示属于严重漏检类别IFN的权值系数。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述图像样本的样本标签计算所述图像样本的静态权值，包括：获取所述图像样本包含的样本标签的类别信息；统计各个类别的样本标签针对所述图像样本集...

【专利技术属性】
技术研发人员：程大治，
申请(专利权)人：北京小马慧行科技有限公司，
类型：发明
国别省市：